用Matlab的模拟电路故障诊断神经网络方法
MATLAB神经网络工具箱在故障诊断中的应用
利用上述表 3 中的样本 , 对网络进行训练 , 并选取 η = 0 . 2 ,α = 0 . 85 , 并规定系统的误差为 0 . 0001 . 对 应着网络的参数 :
net . trainParam. mc = 0. 85 ; net . trainParam. epochs = 8 000 ; net . trainParam. show = 100 ; net . trainParam. goal = 0. 0001 ; net . trainParam. lr = 0. 2.
x 1 , x2 , …
i i i xL
表1 网络训练模式 训练样本序号 神经网络输入 神经网络输出 故障类型 1 1 1 x1 , x2 , …x L 1 1 , 0 , …, 0 故障 1 2 2 2 x1 , x2 , …x L 2 0 , 1 , …, 0 故障 2 … … … … n n n x1 , x2 , …xL n 0 , 0 , …, 1 故障 n
对应着 MAT LAB 程序的目标输入 T [ 6 ] , 系统网络的输出节点具体值 ( 见表 2) 为 : 神经网络经初始化后 ,进行训练 ,其 MAT LAB 实现为 : [ net ,tr ] = train ( net ,P ,T) ; 网络训练的误差结果 显示如图 2 所示 .
3 在旋转机械故障诊断中的应用实例
0 . 0000 0 . 1000 0 . 1000 0 . 0000 0 . 0000 0 . 0000
注 : x 为旋转机械的工作频率
2. 2 网络开发
网络系统采用 9 个输入节点 、 15 个隐层节点 、 6 个输出节点 . 用 MAT LAB 产生 BP 神经网络 :
); net = newff ( minmax ( P) ,[ 15 6 ] ,{ ‘logsig’ ‘logsig’ }‘ , trainlm’
MATLAB结合PSPICE用于模拟电路故障诊断的方法
控制；金浙良（１９８３—），男，浙江绍兴人，硕士研究生，研究方向：智能控制；张海君（１９８３—），女，河北南宫人，硕士研究生，研究方向： 智能控制。
88
对．ｏｕｔ 文件进行适当地调用和处理。 ＭＡＴＬＡＢ 是 Ｃ 语言编写的，提供了几个低级输人输出函
数可用于文件的读写，针对 ＰＳＰＩＣＥ 的输出文件格式，其中有 关的几个函数为［２］：
ＭＡＴＬＡＢ 是 Ｍａｔｈ Ｗｏｒｋｓ 公司推出的数学软件，作为一种 “科学便笺式”的用于科学工程计算的高性能数学工具，被广 泛应用于数值计算、图形处理、符号运算、数学建模、信号分 析、系统辨识、实时控制和动态仿真等研究领域。
ＰＳＰ１ＣＥ 仿真分析的结果，是以列表或图形字符的形式存 储在一个输出文件中的，并可绘制相应的图形。但对数据作进 一步的处理，如主元分析、小波分析、归一化等，则显得无能为 力。因此，需将 ＰＳＰＩＣＥ 仿真所得的数据输入给 ＭＡＴＬＡＢ，以便 进一步对仿真结果提取更有效的特征向量。
５ 结束语
ＰＳＰＩＣＥ 是最受欢迎的电子系统仿真软件，它擅长于电路 的模拟仿真，而 ＭＡＴＬＡＢ 则具有强大的信号分析和处理功能， 将两者结合在一起，充分发挥各自的长处，才能更好地完成各 项研究工作。而两者的数据接口问题，是首要解决的问题。本 文以具体电路为例，详细介绍了如何编程实现导入 ＰＳＰＩＣＥ 仿 真数据到 ＭＡＴＬＡＢ 的方法，并给出了程序流程图，通过多个电 路仿真测试，证明该程序输出结果准确，且稍作修改，即可用 于其他情况下的两者之间的数据通信，具有相当的实际工作 价值。
基于MATLAB的电气设备故障诊断仿真设计
摘要电力变压器作为电力系统中最为重要的设备之一，对电力系统安全、可靠、优质、经济的运行起着决定性作用，因而，必须尽量减少变压器故障的产生。
电力变压器故障检测对电力系统的经济安全运行有着重要的意义。
油中溶解气体法，是最有效的发现和检测变压器故障的方法之一。
神经网络对外界具有很强的模式识别分类能力和联想记忆能力，因此神经网络可以用于变压器故障检测。
基于神经网络的以变压器油中溶解气体为特征量的故障检测方法为变压器故障检测提供了新的途径。
本文将采用二种不同的神经网络（BP网络、RBF网络）应用于变压器故障检测中，分别介绍这几种网络的基本结构和原理，并进行模型设计和仿真。
关键词:变压器故障检测神经网络 BP算法 RBF算法Abstractas the most important part of the power system equipment,the power transformer to the safety of the electricity system, reliable and high quality, and the operation of the economy plays a decisive role, therefore, we must try to reduce the of transformer faults. Power transformer of electric power system fault detection of the economic security has important significances. The dissolved gas method, is one the most effective and found that one of the ways to detect transformer faults. Neural network has a strong pattern recognition classification ability and associative memory ability to the outside world, so neural network can be used for the transformer fault detection. Based on neural network to gases dissolved in transformer oil for the characteristic features of fault detection method for transformer fault detection offers a new way. Therefore.This article will use two different neural network (BP network, RBF network ) used in transformer fault detection, are introduced the basic structure of the network and the principle and design and simulation model.key words: transformer ,fault detection ,neural network ,BP algorithm ,RBF algorithm目录摘要............................................................................................................... 绪论 (1)1关于变压器故障诊断仿真设计简介 (2)1.1课题研究的目的和意义 (2)1.2国内外发展状况 (3)1.3变压器故障种类 (3)1.4目前变压器故障诊断的主要方法 (5)1.5 本文研究的主要内容 (7)2基于神经网络的变压器故障检测机理和基本理论 (8)2.1 故障诊断技术 (8)2.2神经网络 (9)2.3 变压器故障与油中溶解气体的关系 (11)3基于BP神经网络的变压器故障检测模型 (14)3.1 BP网络 (14)3.2 BP网络模型设计 (18)3.2.1 BP网络参数的确定 (18)3.2.2基于BP神经网络变压器故障检测模型 (22)3.2.3数据归一化处理 (22)3.3 系统仿真，训练与测试 (23)3.3.1网络训练 (23)3.3.2网络测试 (25)4 基于RBF神经网络的变压器故障检测模型 (26)4.1 RBF网络 (26)4.1.1 RBF网络概述 (28)4.1.2 RBF网络原理 (28)4.2 RBF网络模型设计 (29)4.2.1 RBF网络模型 (29)4.2.2 RBF网络参数的选取 (29)4.2.3 RBF网络训练方法的确定 (30)4.3 仿真结果 (31)结论与展望 (33)致谢 (34)参考文献 (35)绪论变压器是电力系统中最重要的设备，也是导致电力系统事故最多的设备之一。
Matlab在故障诊断中的应用
Matlab在故障诊断中的应用故障诊断在各个领域中起着重要的作用，能够有效地提前发现和解决问题，保证设备和系统的正常运行。
在过去的几十年中，随着电子技术和计算机技术的发展，故障诊断也逐渐实现了自动化和智能化。
其中，Matlab作为一种强大的数学计算软件，在故障诊断中发挥了重要的作用。
首先，Matlab具有丰富的数学计算和数据分析功能，使其成为了故障诊断的理想工具。
无论是在机械设备还是电子系统的故障诊断中，数据分析都是不可或缺的一环。
Matlab提供了各种各样的函数和工具箱，可以对数据进行处理、分析和可视化。
通过Matlab，我们可以对故障数据进行频域分析、时域分析、小波分析等，从而找出故障发生的原因和位置。
例如，当我们遇到电机运行不稳定的问题时，可以通过Matlab对电机的振动信号进行频谱分析，从中找出异常频率，进而定位问题所在。
其次，Matlab还可以利用人工智能算法来进行故障诊断。
人工智能在故障诊断领域中的应用越来越广泛，尤其是在复杂系统的故障诊断中。
Matlab提供了多种机器学习和深度学习算法的实现，能够根据给定的数据进行模式识别和分类。
通过训练数据集，我们可以构建故障模型，将未知数据与模型进行匹配，从而判断其是否存在故障。
例如，在工业设备的故障诊断中，我们可以通过使用Matlab中的神经网络算法，建立一个基于设备感知数据的故障识别模型，从而提高设备的可靠性和安全性。
此外，Matlab还可以结合图像处理技术进行故障诊断。
在许多领域中，比如医学影像、无损检测等，图像处理在故障诊断中的应用非常广泛。
Matlab提供了一系列函数和工具箱，能够对图像进行各种操作和分析。
通过图像处理技术，我们可以提取出图像中的特征和信息，用于故障的诊断和分析。
例如，在医学影像中，通过Matlab的图像处理工具，我们可以检测和诊断出疾病的存在和位置，提供医生准确的诊断结果。
另外，Matlab还可以与其他工具和设备进行集成，进一步提高故障诊断的效率和准确性。
使用Matlab技术进行故障检测的基本步骤
使用Matlab技术进行故障检测的基本步骤随着科学技术的不断发展，人们对于工程设备使用中的故障检测越来越重视。
而Matlab作为一种强大的数学建模和仿真软件，被广泛应用于各个领域中，包括故障检测。
本文将介绍使用Matlab技术进行故障检测的基本步骤，旨在帮助读者了解如何利用该软件来提高设备的可靠性和性能。
1. 数据采集与预处理故障检测的第一步是数据采集。
通过传感器、仪表或其他相关设备，收集机器或系统运行过程中所产生的数据。
这些数据包括振动信号、电流信号、温度信号等，以及与工程设备相关的操作参数。
数据质量的好坏直接影响到后续故障检测的准确性和可信度。
在数据采集之后，对数据进行预处理是必不可少的。
这包括数据滤波、降噪、归一化等过程。
例如，通过将信号进行低通滤波，可以降低高频噪声对故障检测结果的干扰。
通过归一化处理，可以消除由于不同传感器测量范围不同而带来的问题。
预处理的目的是提高原始数据的质量和可用性，为后续的故障检测算法提供更好的输入。
2. 特征提取与选择在完成数据预处理之后，下一步是从原始数据中提取有用的特征。
特征是指反映设备状态和特性的数值或统计量。
常用的特征包括振幅谱、频率谱、时频分析等。
它们能够揭示设备在不同时间和频率上的特定行为，如共振、共振频率变化等。
特征的选择要根据具体的故障类型和设备特性来确定，以充分反映设备的工作状态。
值得一提的是，特征工程是整个故障检测流程中最重要的环节之一。
一个恰当选择的特征集合能够提高故障检测的准确性和鲁棒性。
而Matlab提供了丰富的工具包和函数，以帮助用户进行特征提取和选择工作。
读者可以根据具体需求选择合适的方法和工具来完成特征工程。
3. 故障检测算法的建模与训练在得到有效的特征之后，下一步是选择合适的故障检测算法。
常见的算法有支持向量机（SVM）、人工神经网络（ANN）、卷积神经网络（CNN）等。
这些算法能够根据输入的特征和标签进行模型的建立和训练，从而实现故障检测的功能。
matlab仿真-利用Matlab构造BP神经网络完成变压器故障诊断
利用Matlab构造BP神经网络完成变压器故障诊断a)样本数据：在油色谱分析领域中，基于油中溶气体类型与内部故障性质的对应关系，以油中5种特征气体为依据的判断变压器故障的方法。
其特征量为H2，CH4，C2H4，C2H2，C2H6，如图3所示。
在对变压器的故障识别时，变压器的故障类型选择为：无故障、中低温过热、高温过热、低能放电和高能放电。
b)仿真数据如图：c)在Matlab中完成人工神经网络的创建、训练及最终的仿真，并给出仿真结果及训练误差曲线。
完成如下：一、源代码如下：%训练数据P=[46.21 11.27 33.04 8.52 0.614;41.12 32.51 14.45 8.36 0.52;33.36 29.32 32.89 27.28 2.25;45.86 34.97 8.25 7.43 0.31;14.92 21.98 17.15 46.12 0.0;0.872 43.18 27.14 26.88 0.0;36.13 50.96 8.15 5.67 0.0;37.98 30.85 7.57 23.01 0.0;10.99 21.29 11.30 52.98 2.38;0.958 16.01 2.89 58.01 1.16;11.03 22.51 3.31 57.96 1.13;15.68 21.87 10.98 53.22 2.53;58.03 18.56 4.58 8.62 9.78;86.89 6.48 5.28 1.13 0.0;85.86 6.98 4.52 2.56 0.0;83.68 7.96 5.15 3.02 0.56;20.23 16.96 1.68 24.52 35.74;26.76 16.56 2.98 38.76 13.61;43.92 24.41 6.62 23.91 0.531;48.02 10.27 4.52 22.36 23.62]';T= [1 0 0 0 0;1 0 0 0 0;1 0 0 0 0;1 0 0 0 0;0 1 0 0 0;0 1 0 0 0;0 1 0 0 0;0 1 0 0 0;0 0 1 0 0;0 0 1 0 0;0 0 1 0 0;0 0 1 0 0;0 0 0 1 0;0 0 0 1 0;0 0 0 1 0;0 0 0 1 0;0 0 0 0 1;0 0 0 0 1;0 0 0 0 1;0 0 0 0 1]';%仿真数据R=[7.2 5.6 3.5 2.7 3.1;120.0 120.0 33.0 83.0 0.56;20.6 19.6 7.5 60.9 1.52;42 97 156 598 0;1556 93 34 46 0;200 46 16 109 128;98 122 31 292 15;92 56 42 35 0;31.6 5.3 1.3 12.2 13.1;72 512 138 1200 5.6]';S= [1 0 0 0 0;0 1 0 0 0;0 0 1 0 0;0 0 1 0 0;0 0 0 1 0;0 0 0 0 1;0 0 1 0 0;0 1 0 0 0;0 0 0 0 1;0 0 1 0 0]';%创建一个新的bp前向神经网络%newff--生成一个新的bp前向神经网络net=newff(minmax(P),[5,5],{'tansig','logsig'},'trainlm');%设置训练参数net.trainParam.show=10; %每10代显示一次net.trainParam.lr=0.05; %训练速率net.trainParam.mem_reduc=3;net.trainParam.mc=0.9; %动量因子net.trainParam.epochs=100000; %训练的代数net.trainParam.goal=0.01; %目标误差%训练bp前向神经网络[net,tr]=train(net,P,T);%仿真A=sim(net,R);%计算仿真误差E=S-A ;SSE=sse(E);二、仿真结果：1、训练过程曲线2、仿真情况与实际情对比，以及是否正确。
在MATLAB中进行故障诊断与预测的方法
在MATLAB中进行故障诊断与预测的方法引言：故障诊断与预测是现代工业中一个重要的领域，它可以帮助企业提高生产效率、降低成本、延长设备寿命。
在过去，人们主要依靠经验和直觉来进行故障诊断与预测，但这种方法存在着主观性高、效率低等问题。
而现在，随着计算机和数据处理技术的发展，利用MATLAB进行故障诊断与预测已经成为一个更加可行和有效的选项。
一、数据收集与预处理在故障诊断与预测的过程中，首先需要收集相关的数据。
这些数据可以来自设备传感器、生产记录、日志文件等。
在收集到数据后，我们需要进行预处理，以去除噪声、填补缺失值、标准化数据等。
在MATLAB中，可以利用各种统计方法和函数进行数据预处理，以确保后续的分析准确可靠。
二、特征提取与选择特征提取是指从原始数据中提取有用的特征，以便用来描述和表示数据。
特征可以是数值型的（如平均值、方差等）或者是分类型的（如是否存在某种状态）。
在MATLAB中，可以使用各种信号处理、图像处理和统计分析等方法进行特征提取。
另外，特征选择是指从所有提取出的特征中选择出最具代表性和相关性的特征。
特征选择可以帮助我们减少特征维度，提高模型的可解释性和精确度。
三、模型建立与训练在故障诊断与预测中，选择适合的模型是非常重要的。
常用的模型包括神经网络、支持向量机、决策树等。
在MATLAB中，可以利用自带的工具箱或者编写自定义函数来建立和训练模型。
对于不同的故障诊断与预测问题，选择合适的模型是一个关键的挑战。
在选择模型的过程中，需要考虑数据的性质、问题的复杂度、模型的可解释性等因素。
四、故障诊断与预测在完成模型的建立和训练后，我们可以利用这个模型来进行故障诊断与预测。
对于故障诊断来说，我们可以利用模型来对未知状态的设备进行分类和判别。
例如，我们可以将设备状态分为正常和故障两类，用来判断设备是否存在故障。
对于故障预测来说，我们可以利用模型来对设备未来的状态进行预测，以便提前采取相应的维修和保养措施。
Matlab技术在故障诊断中的应用指南
Matlab技术在故障诊断中的应用指南引言:在现代工业生产中，故障诊断是一个至关重要的环节。
故障的发生不仅可能导致生产任务延误，还可能造成设备的严重损坏。
因此，合理有效地进行故障诊断对于保障生产的顺利进行和设备的安全运行非常重要。
Matlab作为一种高度可编程的数值计算软件，具备强大的数据分析、可视化和数学建模能力，并且具有友好的图形界面，逐渐在故障诊断中得到了广泛应用。
本文将介绍Matlab技术在故障诊断中的应用指南，包括数据处理、特征提取、故障识别和故障预测等方面。
一、数据处理数据处理是故障诊断的第一步，将采集到的原始数据转化为可用于分析的形式。
Matlab提供了丰富的数据处理函数和工具箱，可以实现数据的滤波、去噪、降维等操作。
其中，滤波是常用的数据处理方法之一。
根据故障特征和数据特点，选择适当的滤波算法对数据进行平滑处理，提高信号的质量。
同时，去噪也是重要的数据处理步骤，通过去除噪声信号，提高故障特征的可辨识性。
另外，对于高维数据，可以考虑使用主成分分析（PCA）等降维技术，减少数据维度，简化后续的分析过程。
二、特征提取特征提取是故障诊断的核心环节，目的是从原始数据中提取故障相关的特征参数。
Matlab提供了丰富的信号处理工具箱，例如时频分析、小波变换、频谱分析等，可以实现高效准确的特征提取。
时频分析方法可以揭示信号在时间和频率上的变化规律，可以更好地捕捉故障时刻和频率信息。
小波变换是一种局部时频分析方法，可以通过多分辨率分析提取出信号的非平稳特征。
频谱分析可通过傅里叶变换将信号从时域转换到频域，找出信号的频率成分。
在特征提取过程中，需要根据不同故障类型和信号特点选择合适的方法和参数。
三、故障识别故障识别是根据提取的特征参数，判断设备是否发生故障，以及故障类型和严重程度。
Matlab提供了各种分类和聚类算法，例如支持向量机（SVM）、人工神经网络（ANN）和K均值聚类，可以对提取的特征进行有效分类和聚类。
MATLAB中的异常检测与故障诊断技术
MATLAB中的异常检测与故障诊断技术引言随着科技的飞速发展，各行各业对于安全和可靠性的要求也越来越高。
在工业生产和科研实验中，异常检测与故障诊断成为了重要的技术手段。
MATLAB作为一种强大的数学计算软件，提供了丰富的工具和函数，可以用于异常检测和故障诊断。
本文将对MATLAB中的异常检测与故障诊断技术进行探讨。
一、异常检测技术1. 数据预处理在进行异常检测之前，通常需要对原始数据进行预处理。
MATLAB提供了丰富的数据处理函数，比如平滑函数、滤波函数等。
通过对数据进行预处理，可以去除噪声、消除趋势和周期性变化等，从而更好地检测异常。
2. 统计方法统计方法是一种常见的异常检测手段。
MATLAB提供了一些统计函数，比如均值、标准差、相关系数等。
通过计算数据的统计特征，可以判断是否存在异常。
例如，可以通过计算数据的均值和标准差，然后根据统计规则判断是否存在异常点。
3. 机器学习方法机器学习方法在异常检测中也有广泛的应用。
MATLAB提供了强大的机器学习工具箱，包括支持向量机、决策树、神经网络等算法。
通过使用这些算法，可以构建异常检测模型，并对新数据进行预测和判断。
机器学习方法能够快速适应各种数据和问题类型，具有较高的准确率和鲁棒性。
二、故障诊断技术1. 故障模型建立在进行故障诊断之前，首先需要建立故障模型。
故障模型描述了各种可能的故障状态和对应的观测值。
MATLAB提供了高级建模和仿真工具，可以用于构建系统的物理模型和故障模型。
通过建立准确的故障模型，可以更好地进行故障诊断。
2. 故障诊断方法在故障诊断过程中，通常采用多种方法相结合的方式。
MATLAB提供了多种故障诊断方法的实现，包括模型匹配、参数估计、特征提取等。
通过对系统的观测值进行分析和处理，可以判断系统是否发生故障，并进一步定位故障位置。
3. 故障诊断应用故障诊断技术在实际应用中具有广泛的用途。
例如，在工业生产中，可以通过对生产线数据的实时监测和分析，及时发现并诊断故障，避免生产中断和设备损坏。
Matlab中的异常检测和故障诊断方法
Matlab中的异常检测和故障诊断方法在工程和科学领域中，异常检测和故障诊断是非常重要的任务。
随着技术的发展和数据量的增加，传统的方法已经无法满足对异常事件和故障的准确识别和定位的需求。
作为一种功能强大且易于使用的计算工具，Matlab为异常检测和故障诊断提供了多种高级方法和技术。
一、异常检测方法在Matlab中，有多种异常检测方法可以选择。
其中一种常用的方法是基于统计学原理的方法，如均值和方差的检测。
这些方法假设数据服从正态分布，通过计算数据的均值和方差与预先设定的阈值进行比较，来判断数据是否异常。
然而，这种方法对于非正态分布的数据效果可能不佳。
另一种常用的异常检测方法是基于机器学习的方法，如聚类、分类和离群点检测。
在Matlab中，可以使用机器学习工具箱来实现这些方法。
例如，可以使用支持向量机（SVM）算法来进行异常检测。
该算法通过训练一个分类器来划分正常和异常数据，然后对新样本进行分类。
如果新样本被分类为异常，则可以认为该样本是异常数据。
除了以上方法，还有一些其他的异常检测方法，如基于神经网络的方法和基于时间序列的方法。
这些方法有各自的特点和适用范围，根据具体问题选择合适的方法进行异常检测。
二、故障诊断方法与异常检测相比，故障诊断更加复杂和困难。
故障诊断是在异常检测的基础上，进一步分析和推断异常的原因和根源。
在Matlab中，也有多种故障诊断方法可以选择。
其中一种常用的故障诊断方法是基于逻辑推理的方法，如专家系统和诊断树。
这些方法通过构建一个基于规则的知识库，根据给定的观测数据和先验知识，推断系统中存在的故障。
例如，可以使用模糊逻辑方法来构建一个模糊规则库，根据输入数据的模糊集合和规则的模糊推理，来诊断系统中的故障。
另一种常用的故障诊断方法是基于统计模型的方法，如隐马尔可夫模型（HMM）和贝叶斯网络。
这些方法通过建立一个概率模型，根据给定的观测数据和系统模型，推断系统中存在的故障。
例如，可以使用HMM来建立一个模型，将系统的状态表示为隐变量，并通过观测数据进行学习和推断，来诊断系统中的故障。
Matlab技术在机器故障诊断中的应用方法
Matlab技术在机器故障诊断中的应用方法在现代制造业中，机器故障诊断一直是一个重要的问题。
当机器发生故障时，能够快速准确地判断故障原因，对于提高生产效率、降低维修成本至关重要。
传统的故障诊断方法通常基于经验和直觉，但这种方法存在一定的主观性和不准确性。
随着计算机技术的不断发展，Matlab技术在机器故障诊断中的应用逐渐得到重视。
Matlab是一种功能强大的数值计算和数据分析软件，它不仅拥有丰富的数学和统计函数库，还提供了强大的绘图和可视化功能。
这使得Matlab成为机器故障诊断的理想工具。
下面将介绍几种基于Matlab的机器故障诊断方法。
首先，基于信号处理的故障诊断方法是最常见的一种。
通过对机器传感器采集到的信号进行处理和分析，可以得到机器的工作状态和故障特征。
例如，通过对机器振动信号的频谱分析，可以检测出机器可能存在的故障，如轴承磨损、不平衡等。
Matlab提供了丰富的信号处理工具箱，可以方便地进行频谱分析、时频分析等操作。
此外，Matlab还支持自定义算法和模型，可以根据实际情况对信号进行特征提取和分类。
其次，基于机器学习的故障诊断方法也是一种有效的手段。
机器学习是一种从数据中自动学习模式和规律的技术，可以应用于故障诊断。
通过对大量样本数据进行训练和学习，可以建立机器故障诊断模型，实现自动识别和分类。
Matlab提供了丰富的机器学习工具箱，如支持向量机、神经网络、决策树等，可以方便地进行模型训练和预测。
此外，Matlab还提供了数据可视化工具，可以对机器学习结果进行直观的展示和分析。
另外，基于图像处理的故障诊断方法也是一种有效的手段。
对于一些机器设备，如电子元件、机器表面等，可以通过图像处理技术来检测和诊断故障。
例如，通过对机器图像进行边缘检测、目标检测等操作，可以得到机器的几何特征和表面损伤情况。
Matlab提供了丰富的图像处理工具箱，可以方便地进行图像增强、边缘检测、目标跟踪等操作。
此外，Matlab还支持图像特征提取和分类，可以根据实际情况构建机器故障诊断模型。
如何利用Matlab进行神经网络研究
如何利用Matlab进行神经网络研究利用Matlab进行神经网络研究随着人工智能的快速发展，神经网络成为了研究人员和工程师们在处理复杂问题时的一种重要工具。
而在神经网络研究中，Matlab是一个非常常用且强大的工具。
本文将介绍如何利用Matlab进行神经网络研究，并探讨一些相关的技术和应用。
一、Matlab简介Matlab是一种基于数值计算的软件平台，广泛应用于科学、工程和工业领域。
它提供了丰富的功能和工具箱，其中包括神经网络工具箱。
神经网络工具箱具有强大的功能，可以用于神经网络的建模、训练、仿真和分析。
二、神经网络建模神经网络建模是神经网络研究的第一步。
在Matlab中，可以使用神经网络工具箱中的图形用户界面(GUI)来建立神经网络模型，也可以通过编程的方式进行建模。
无论是使用GUI还是编程，都需要先确定神经网络的结构和参数。
在GUI中，可以选择不同的神经网络类型，如前馈神经网络、循环神经网络和自适应神经网络等。
然后，可以设置网络的层数、每层的节点数量以及连接权重和偏差。
此外，还可以选择合适的激活函数和损失函数等。
如果选择编程方式进行建模，需要先创建一个神经网络对象，并使用相应的函数设置神经网络的各个参数。
例如，可以使用"feedforwardnet"函数创建一个前馈神经网络，并使用"trainlm"函数设置网络的训练算法为Levenberg-Marquardt算法。
三、神经网络训练神经网络的训练是为了使其能够对输入数据进行准确预测或分类。
在Matlab 中，可以使用神经网络工具箱中的函数来进行神经网络的训练。
常用的训练算法包括梯度下降法、Levenberg-Marquardt算法和递归最小二乘法等。
在训练之前，需要准备好训练数据和验证数据。
训练数据用于调整神经网络的权重和偏差，验证数据用于评估训练模型的性能。
在Matlab中，可以使用"train"函数来进行训练，该函数会自动将数据划分为训练集和验证集，并根据指定的训练算法进行训练。
本科毕业设计---基于神经网络的电子线路故障诊断
1 绪论随着现代化大生产的发展，电子线路故障诊断技术的研究越来越重要。
根据电子线路的特点可将电子线路故障诊断分为模拟电路的故障诊断和数字电路的故障诊断。
在现代电子设备中，绝大部分电子设备故障是由于模拟电路故障导致的，可以说，模拟电路的可靠性几乎决定了电子设备的可靠性。
1.1 模拟电路故障诊断的背景意义目前，模拟电路在航天、通信、自动控制、家用电器等许多方面得到广泛地应用。
随着电子技术的发展,模拟电路的集成程度越来越高,规模越来越大。
因此，对模拟电路的工作的有效性、可靠性、可维修性等提出了更高的要求。
在模拟电路故障发生后,要求能及时将导致故障的原因诊断出来,以便检修和替换。
对模拟电路的生产部门来说,同样也要求能及时诊断出故障，以便改进工艺,提高产品的合格率。
对于某些重要设备中的模拟电路，还要求进行故障的预测，即对正常工作中的模拟电路进行不断的检测，在元件发生故障前就进行替换，以避免故障的发生。
根据电子技术的发展状况，由以下三点说明模拟电路故障诊断技术的紧迫性:第一，微电子学时代的到来,电子线路的复杂性和密集性明显增加, 成千上万个电路元器件集成在一个小芯片上,而对这些电路元器件的测试仅限于为数有限的引出端子之上，如此,通常的测量，微调的手段将不再实用甚至无济于事。
第二，在无线电电子系统中, 数字电路不能完全取代模拟电路，数字电路的故障诊断方法也不能取代模拟电路的故障诊断方法。
第三，现代电子系统复杂度的增加,系统的可靠性显得更为重要,因此,必须提高电子系统的可靠性。
综上所述,工业生产对模拟电路提出了新的要求,微电子技术的快速发展对模拟电路的测试和诊断也提出迫切的要求,这就使得科技人员不得不进一步探索模拟电路的测试和诊断上的新理论和新方法,研发新的测试和诊断设备以适应时代的需求。
所以，开展模拟电路故障诊断的研究是一项非常有意义的课题。
1.2 模拟电路故障诊断的发展与现状相对于数字电路故障诊断而言，模拟电路故障诊断的发展较为缓慢，其中主要原因有以下六点：1）故障状态的多样性。
Matlab中的故障诊断与预测方法介绍
Matlab中的故障诊断与预测方法介绍近年来，随着工业自动化的发展，对设备的故障诊断与预测需求越来越迫切。
Matlab作为一种功能强大的数值计算与数据分析工具，提供了丰富的故障诊断与预测方法。
本文将介绍一些常用的Matlab中的故障诊断与预测方法，包括信号处理、统计分析和机器学习方法。
一、信号处理方法在故障诊断与预测中，信号处理是一种常用的方法。
Matlab提供了丰富的信号处理工具箱，可以实现对信号的滤波、频谱分析和时频分析等操作。
对于故障诊断来说，信号滤波是一项基本任务。
Matlab中可以使用多种滤波器设计方法，如低通、高通、带通和带阻滤波器等。
通过滤波处理，可以去除噪声，提取有用的故障特征。
另外，频谱分析也是一种常用的信号处理方法。
通过对信号进行傅里叶变换，可以将信号从时域转换到频域。
在Matlab中，提供了多种频谱分析函数，如功率谱密度估计、频谱图和频谱分析等。
这些函数可以帮助用户深入分析信号的频谱特征，从而进行故障诊断。
时频分析是信号处理的另一种重要方法。
它可以将信号从时域和频域两个方面进行分析，从而更加全面地了解信号的特征及变化规律。
Matlab中提供了多种时频分析函数，如连续小波变换、峰值分析和瞬时频率分析等。
这些函数可用于分析非平稳信号的时频特性，为故障诊断提供更加准确的判断。
二、统计分析方法除了信号处理方法，统计分析也是故障诊断与预测的重要手段。
Matlab提供了丰富的统计工具箱，包括概率分布、假设检验、方差分析和回归分析等。
概率分布可以用于描述数据的分布情况。
在故障诊断中，通过对实际采集的数据进行概率分布拟合，可以判断故障是否存在。
Matlab中提供了常用的概率分布函数，如正态分布、指数分布和泊松分布等。
这些函数可用于分析数据的分布特征，为故障诊断提供统计依据。
假设检验可以用于验证某个假设是否成立。
在故障诊断中，可以基于假设检验的方法进行故障的判断。
Matlab中提供了多种假设检验函数，如单样本t检验、双样本t检验和方差分析等。
Matlab中的神经网络技术应用
Matlab中的神经网络技术应用近年来，随着人工智能技术的快速发展，神经网络成为了当下炙手可热的研究领域之一。
而在神经网络的实现与应用方面，Matlab作为一种功能强大的编程语言和软件环境，提供了丰富的工具和函数，可以帮助研究人员快速开发和应用神经网络模型。
本文将介绍Matlab中神经网络技术的应用，并探讨其在不同领域的潜在应用。
一、神经网络的原理与概念在介绍Matlab中神经网络技术的应用之前，首先了解一下神经网络的原理和概念是十分必要的。
神经网络是一种模仿生物神经系统的计算模型，它由大量的人工神经元相互连接而成，通过权重和偏差的调整，实现对输入数据的非线性映射和模式识别。
神经网络模型可以分为前馈神经网络和递归神经网络两类，前者通过从输入层到输出层前向传播来实现信息处理，后者则涉及到反馈循环，可以处理具有时间特性的问题。
在Matlab中，神经网络的建模和训练可以通过Neural Network Toolbox工具箱来实现。
该工具箱提供了多种神经网络模型，包括前馈神经网络、递归神经网络、自适应神经网络等。
它还提供了大量的函数和工具，可以帮助用户进行数据预处理、网络设计、训练和测试等工作。
二、Matlab中神经网络的应用领域1. 模式识别与分类神经网络在模式识别和分类任务中具有出色的性能。
通过使用Matlab的神经网络工具箱，我们可以快速构建和训练一个分类器，实现对不同类别的模式进行自动识别。
例如，在医学图像处理中，可以利用神经网络模型对医学图像进行分类，实现自动化的疾病诊断和分析。
此外，在语音识别、图像识别、手写字识别等领域，神经网络也得到了广泛的应用。
2. 预测与回归分析除了模式识别和分类任务，神经网络还可以应用于预测和回归分析。
Matlab提供了丰富的神经网络模型和算法，可以用来进行时间序列预测、数据拟合、回归分析等任务。
例如，在股票市场的预测中，可以利用神经网络对历史数据进行学习，预测未来的股价走势。
基于MATLAB的电力系统短路故障分析与仿真
· ……………………。
………………. …………………毕 业 论 文 基于MATLAB 的电力系统短路故障分析与仿真 院 部 机械与电子工程学院 专业班级 电气工程及其自动化 届 次 2015届 学生姓名 学 号 指导教师装订线………………。
……. …………。
…………。
………摘要 (I)Abstract (II)1 引言 (1)1。
1 课题研究的背景 (1)1.2 课题研究的国内外现状 (1)2 短路故障分析 (1)2。
1 近年来短路故障 (1)2。
2 短路的定义及其分类 (2)2。
3 短路故障产生的原因及危害 (4)2。
4 预防措施 (4)2.5 短路故障的分析诊断方法 (5)3 仿真与建模 (6)3.1 仿真工具简介 (6)3。
1.1 MATLAB的特点 (6)3.1。
2 Simulink简介 (7)3.1。
3 SPS（SimPowerSystems) (8)3。
1.4 GUI（图形用户界面） (8)3。
2 模型的建立 (8)3.2。
1 无限大电源系统短路故障仿真模型 (8)3.2.2 仿真参数的设置 (9)4 仿真结果分析 (16)4.1 三相短路分析 (16)4.2 单相短路分析（以A相短路为例） (18)4。
3 两相短路（以A、B相短路为例） (22)4。
4 两相接地短路（以A、B相短路为例) (25)5 结论 (28)6 前景与展望 (28)参考文献 (29)致谢 (30)Abstract (II)1 Introduction (1)1。
1 Project background to the study (1)1.2 The research situation at home and abroad (1)2 Analysis of short-circuit fault (1)2。
1 Short-circuit fault in recent years (1)2.2 Definition and classification of short-circuit fault (2)2。
如何在Matlab中进行异常检测与故障诊断
如何在Matlab中进行异常检测与故障诊断异常检测与故障诊断是现代工业生产中非常重要的环节。
在高精度与高效率的要求下，及时准确地发现并排除系统中的异常和故障是确保生产质量和安全的关键。
Matlab作为一种功能强大、易于使用的科学计算软件，为我们提供了丰富的工具和函数，可以方便地进行异常检测与故障诊断。
一、异常检测：1. 数据预处理在进行异常检测之前，首先需要进行数据预处理。
数据预处理的目的是将原始数据进行清洗、标准化等操作，以便更好地进行后续的分析和处理。
在Matlab中，可以使用诸如`detrend`、`smooth`、`zscore`等函数来对数据进行预处理。
2. 统计方法统计方法是常用的异常检测方法之一。
在Matlab中，我们可以利用统计函数来进行异常检测。
例如，`mean`函数可以计算数据的均值，`std`函数可以计算数据的标准差。
通过计算数据与均值的差异，以及数据与标准差的比较，可以判断数据是否异常。
3. 模型方法模型方法是基于数学模型进行异常检测的方法。
在Matlab中，我们可以使用各种统计模型，如自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)等，来对数据进行建模和分析。
通过比较观测值与模型估计值之间的差异，可以发现异常数据。
4. 机器学习方法机器学习方法是目前最为热门的异常检测方法之一。
在Matlab中，我们可以使用各种机器学习算法进行异常检测，如支持向量机(SVM)、K近邻算法(KNN)、聚类分析等。
通过训练模型，并根据模型对新数据进行预测，可以判断数据是否异常。
二、故障诊断：1. 特征提取在进行故障诊断之前，首先需要对数据进行特征提取。
特征提取的目的是从原始数据中提取出能够反映系统状态和故障信息的特征。
在Matlab中，可以利用信号处理工具箱中的函数，如`fft`、`wavelet`等，进行频域分析、小波变换等操作，提取出有用的特征。
2. 匹配算法匹配算法是故障诊断的核心方法之一。
模拟电路故障诊断的神经网络方法
６ ｆ 订 （ ） ］ （ １ ）
的故 障状 态 。
收稿 日期 ： ２ ０ １ ３ — ０ ３ — ０ ４
式 中，
作者简 介 ： 孙洪飞 （ １ ９ ８ ３ 一） ， 男， 辽 宁辽 阳人 ， 助理工程师 ， 从事水 面舰艇 内燃动力机电管理专业 ； 周 正（ １ ９ ８ ４ 一） ， 男， 辽宁营 口人 ， 助理工程师 ， 从事水面舰艇 内燃 动力 机电管理专业 。
存在 的非线性 问题 ， 在实 际应用过程中 ， 电子设备 中 明： 该方法能准确地识别故障 ， 且分辨率较高。 ８ ０ ％以上 的故障来 自于模拟 电路 ，大大超过了数字 电路 的故 障率【 ｌ 】 。因此 ， 针对模 拟电路进行故障断 的 ２ Ｂ Ｐ神经 网络 研究是十分必要和迫切 的。
中图分类号 ： Ｔ Ｐ １ ８ ３ ； Ｔ Ｎ ７ １ ０ 文献标识 码 ： Ａ 文章编号 ： １ ６ ７ ２ — ５ ４ ５ Ｘ 【 ２ ０ １ ３） ０ ６ － － ０ ０ １ ３ — ０ ３
随着 电子技术 的迅速发展 ，电子设备集成度越 本文对从实际模拟 电路 中提取 的故障特征 向量 来 越高 ， 结构越来越复杂 ， 这对 电子设备 的故障诊 断 经归一化和主元分析处理后得到最优训练样本对 Ｂ Ｐ 也提出了更 高的要求 。由于模拟 电路存在元件参数 神经 网络进行训练 。然后 ， 利用 Ｂ Ｐ神经网络进行故 的容差 问题 、输入输 出的复杂关系 以及电路 中广泛 障分类 ， 从而实现电路 的故障诊断。实验仿真结果表
（ ｎ ） 为 阈值 ； 节点 的激 活 函数通常选取标 准
Ｓ ｉ ｇ ｍ ｏ ｉ ｄ 型 函数（ 简称 Ｓ 型） 。 （ ２ ） 反向过程 ， 即若在输出层未能得到期望的输 出值 ，则逐层递归地计算实际输 出与期 望输 出的误 差， 并根据误差调节修正权值 。 训 练误 差 为 ：
模拟电路故障诊断的神经网络方法
模拟电路故障诊断的神经网络方法
李春明
【期刊名称】《内蒙古工业大学学报（自然科学版）》
【年(卷),期】2000(019)002
【摘要】提出了一种采用改进的BP快速算法实现模拟电路软故障诊断的方法.文中对构造神经网络交流故障字典的过程给出了详细说明,特别是隐层节点数确定,测试信号频率的优选及MATLAB神经网络工具箱的使用.实例表明,人工神经网络技术可应用于有容差模拟电路的故障诊断.
【总页数】4页(P130-133)
【作者】李春明
【作者单位】内蒙古工业大学电气工程系,内蒙古呼和浩特,010062
【正文语种】中文
【中图分类】TN7
【相关文献】
1.一种基于量子神经网络的模拟电路故障诊断方法 [J], 张朝龙;何怡刚;袁莉芬;陈立平
2.基于遗传小波神经网络的模拟电路故障诊断方法 [J], 杨清志;谢斌
3.一种基于粒子群神经网络的容差模拟电路故障诊断方法 [J], 吴恒玉;韩宝如
4.基于小波神经网络的模拟电路故障诊断方法研究 [J], 周晶晶;吴文全;许炎义;孙金明
5.基于K-means聚类与概率神经网络的模拟电路故障诊断方法 [J], 李楠;邓威;王晨;吴光辉
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
将对象文件的链接和必要的Ｍａｄａｂ库生成ＤＬＬ输出文件，并 且在系统上完成注册，这样就将ＤＬＬ集成到了ＶＢ中，供ＶＢ 程序开发使用。这种调用方法在ｖＢ中生成ＥｘＥ文件后，将脱 离ＭａⅡａｂ环境工作，运行速度快。
ｎ唧Ｉ北ｔｗｏｒｋ ｄｉ哪０８ｉｓ Ａｂｓｔｒａｃｔ：Ｃｏｍｐａｒｅｄ ｗ汕ＶＢ锄ｄ ｔＩｌｅ Ｍａｄａｂ ｍｓｐｅｃｔｉｖｅ ｇｏｏｄ锄ｄ ｂａｄ ｐｏｉｎｔｓ，ｔＩＩｉｓ ｐ印ｅｒ ｄｅ８ｃｒｉｂｅｓ ｉｎ ｄｅｔａｉｌ ｔＩＩｅ ｍｅｔｈｏｄ ０ｆ ＶＢ
ｔｒａ脚如ｒｓ Ｍａｔ№雏ｄ ｔｈｅ ｐｒｉｎｃｉｐｌｅ ０ｆ山ｅ
ＶＢ与Ｍａｄａｂ接口有４种实现方法： （１）利用ＡｃｔｉｖｅＸ自动化技术ｆ－１
基金项日：国家高技术研究发展计划（８６３）（ｔｌｌｅ Ｎ砒ｉｏＩｌａｌ ＨｉｇｌＩ－１ｋｈ Ｒｅｓｅａｒｃｈ锄ｄ Ｄｅｖｅｌ叩ｍｅｍ Ｐｌ锄０ｆ ｃｌＩｉ湘ｕｎｄｅｒ Ｇ劬ｔ Ｎ０．２００６ＡＡ０４Ａ１０４）； 国家自然科学基金（ｄ地Ｎ“ｏＩｌａｌ ＮａｔＩＩｒａｌ Ｓｃｉｅｎｃｅ Ｆ０ｕｎｄａｔｉ伽ｏｆ ｃＩＩｉ腿ｕｎｄｅｒ Ｇ砌ｔ Ｎｏ．５０６７７０１４，Ｎｏ．６０８７６０２２）；高等院校博士学科点 专项科研基金（ｔＩｌｅ ｃｈｉｎａ Ｓｐｅｃｉａｌｉｚｅｄ Ｒｅｓｅａｒｃｈ Ｆｕｎｄ ｆｏｒ ｔｈｅ Ｄｏｃｔｏｒａｌ ｎＤ邸帅０ｆ ＨｉｇＩｌｅｒ Ｅｄｕｃａｔｉ蚰ｕｎｄｅｒ Ｇｍｌｔ Ｎｏ．２００６０５３２００２）；湖 南省自然科学基金（ｔｈｅ Ｎ８ｔｕｒａｌ Ｓｃｉｅ∞ｅ Ｆｏｕｎｄａｔｉｏｎ ０ｆ ＨｕＭｎ Ｐｍ、ｄｎｃｅ ｏｆ ｃｈｉｎａ ｕｎｄｅｒ ＧＬｍｔ Ｎｏ．０６ＪＪ２０２４）。
ＤｏＩ：ｌ０．３７７嘶．ｉｓｓｎ．１００２＿８３３１．２０ｌ ｏ．１０．ｃ１６６ 文章编号：１００２－８３３１（２０ｌＯ）ｌ咖２１３—０３ 文献标识码：Ａ 中图分类号：ＴＮ４０ｒ７；ＴＰ３９ｌ
１引言 模拟电路故障诊断是近代电路理论的一个前沿领域，２０
世纪６０年代在军事七首先开始研究，是近４０多年来发展起来 的一门新兴学科，发展至今已经成为网络理论中公认的第三大 分支。传统的人工模拟电路故障诊断由于其自身的复杂性和困 难所在，已经逐渐不能满足现代电子电路发展的需要。近年来 模拟电路的智能诊断已引起各国学者的兴趣和关注，研究热潮 很高，比较典型是应用神经网络来进行模拟电路故障诊断。神 经网络的联想、记忆、容错以及非线性映射能力在很大程度上 解决了传统人工诊断的困难，是一种很有研究价值的方法。纵 观目前这方面的报道，神经网络都是在Ｍａｔｌａｂ环境下通过编 写“ｍａｔ”文件来对电路进行仿真诊断。采用可视化程序设计语 言ｖＢ调用Ｍａｔｌａｂ来对模拟电路进行故障诊断，用ＶＢ编写诊
收稿日期：２００８—０９—２３ 修回日期：２００８—１ｌ—１４
万方数据
２１４ ２０１０，４６（１０）
ｃｏｍｐ抛ｒ踟∥船ｅ一，ｌｇ饥ｄ Ａｐｐ比ｎ砌邢计算机工程与应用
Ａｃｔｉｖｅｘ是一种开放式标准，它允许应用程序或部件控制 另外一个应用程序或部件的运行，当前的新软件一般都支持 ＡｃｔｉｖｅＸ部件的嵌入，Ｍａｔｌａｂ语言也不例外。由于ＶＢ支持 Ａｃｔｉｖｅｘ自动化控制端协议，Ｍａｔｌａｂ支持Ａｃｔｉｖｅｘ自动化服务 器端协议，所以如果已经建立了一个ｖＢ应用程序和Ｍａｎａｂ之 间的Ａｃｔｉｖｅｘ自动化链接，那么在—个ＶＢ应用程序中就可以 调用Ｍａｔｌａｂ了。利用这—特性，用户可以非常方便地在自己的
３神经网络诊断模拟电路故障原理
模拟电路的故障诊断从本质上来说是模式识别分类问题，
神经网络的良好分类能力能满足这一需要，基于误差后向传播
（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）算法的的神经网络（ＢＰ网络）是目前用的最 广泛的神经网络。用ＢＰ神经嘲络对模拟电路进行故障诊断， 首先要获取待测电路（ｃｕＴ）的故障特征向量，一个实际的模拟
（参Ｓｕｂ Ｇｅｔ ＦｕｌｌＭａｔ血（Ｍａｔｒ—Ｎ枷ｅ鼬蜘ｎｇ，ｗｏｒｋ８ｐａｃｅ
鹪Ｓｔｒｉｎｇ，Ｖａ卜Ｒｅａｌ（）鹪Ｄ叫ｂｌｅ，Ｖａｒ—Ｉｍａ星；（）嬲Ｄｏｕｂｌｅ）。通 过Ｇｅｔ ＦｕＵＭａｔ ｒｉｘ方法，ＶＢ从指定的Ｍａｔｋ山工作空间中获取
指定变量名的矩阵数据。 ③ｓｕｂ Ｐｕｔ ＦｕｌｌＭａｔ血（Ｍａｔｒ—Ｎａｍｅ鹅ｓｔｒｉＩＩｇ，ｗｏｒｋｓｐａｃｅ
（３）利用Ｍａｔｌａｂ提供的ＭａｔｒｉｘｖＢ库
Ｍ撕ｘＶＢ是Ｍａｔｈｗｏｒｌ【ｓ公司针对ＶＢ提供的一个Ｍａｄａｂ
库，可以作为—个ｃ０Ｍ函数库被ｖＢ引用。该函数库利用与 Ｍａｄａｂ函数语法和格式类似的功能来加强ＶＢ计算、数据处理 和图形图像处理等功能。这种调用方法中ＭａｔｒｉｘｖＢ把与Ｍ砒一 ｌａｂ相似的语法和函数嵌入到ＶＢ中，虽然比较简单，编程效率 也高，但它采用的是解释执行的方式，所以开发出的程序执行 效率低，难以进行实时处理。
ｖＢ程序中使用Ｍａｎａｂ，包括执行Ｍａｔｌａｂ命令，使用各种工具 箱，向Ｍ“ａｂ输入数据，获取结果。要实现这种功能，用户首先 必须获得Ｍａｎａｂ Ａｃｔｉｖｅｘ对象在系统注册表中定义的名字一
Ｍａｔｌａｂ．Ａｐｐｌｉｃ“ｏｎ。在所编写的程序中必须有如下的代码： Ｄｉｍ Ｍａｎａｂ ａｓ ０ｂｊｅｃｔ
Ｓｅｔ．Ｓｅｔ Ｍａｄａｂ＝Ｃｒｅａｔｅｏｂｊｅｃｔ（“Ｍａｔｌａｂ．Ａｐｐｌｉｃａｔｉｏｎ”） Ｍａ￡ｌａｂ．Ａｐｐｌｉｃａ“ｏｎ对象主要有３个函数，具体如下： ①Ｆｕｎｃｔｉｏｎ Ｅｘｅｃｕｔｅ（ｃｏｎｌｒｎａｎｄ ａｓ Ｓｔ ｒｉｎｇ）ａｓ Ｓｔ ｒｉｎｇ ＶＢ可执行一条由ｃｏｍｍａｎｄ字符串决定的Ｍａｔｌａｂ指令或 在Ｍａｔｌａｂ的工作空间调用Ｍ函数文件，在屏幕上显示图形或 计算结果。
ｃｏ唧蚍ｒ西画船ｅ矗昭觎ｄ Ａｐｐ如ａ渤瞄计算机工程与应用
ห้องสมุดไป่ตู้
２０１０，４６（１０） ２１３
ＶＢ调用Ｍａｔｌａｂ的模拟电路故障诊断神经网络方法
谢涛，何怡刚，姚建刚，肖迎群 ＸＩＥ’ｒａｏ，ＨＥ Ｙｉ—ｇａｎｇ，ＹＡＯ ＪｉａＩｌ—ｇａＩｌｇ，ＸＩＡＯ Ｙｉｎｇ—ｑｕｎ
湖南大学电气与信息工程学院，长沙４１００８２ ＣｏⅡｅｇｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ曲ｄ Ｉｎｆｏｌｍａｔｉｏｎ Ｅｎｇｉｎｅｅｍｇ，Ｈｕｒｍ Ｕｌｌｉｖｅ件毋，Ｃｈ蛐ｇｓｈａ ４１００８２，Ｃｈｉ眦
断主界面和诊断程序，其在一定程度上可以脱离Ｍａｔ址的仿
真环境。
２Ⅶ与ＭＡＴＬＡＢ接口实现方法
ｖｉｓｕａｌ Ｂａｓｉｃ是由Ｍｉｃｍｓ硪公司推出的可视化编程语言， 它是目前综合性最高、最强大的软件开发工具之一，应用极为 广泛。ＶＢ能方便地形成应用软件中所需要的各种用户界面和 工具，并直接与系统及底层硬件交换数据。用ｖＢ开发的系统 具有容易维护、升级、界面友好、代码效率高、移植性好、执行速 度快等一系列优点。ＭａⅡａｂ是Ｍａｔｈｗｏｒｋ公司推出的一种高性 能的数值计算和可视化软件，其全称为Ｍａｔｒｉｘ Ｌ丑ｂｏｍｔｏｒｙ，亦称 矩阵实验室，它在数值分析、信号处理、系统辨识、特殊函数和 图形等方面具有广泛的应用。ＭＡｌｌＡＢ的突出特点是简洁。它 利用丰富的函数资源，给用户带来最直观的开发环境。结合二 者的优点，在ｖＢ中实现Ｍａｔｌａｂ功能的调用，完成核心算法的 设计，将为科学研究、工程技术、软件开发提供更强的技术支 持，达到事半功倍的效果。
Ⅺ匝Ｔａｏ。ＨＥ Ｙｉ—ｇａｎｇ，ＹＡｏ Ｊｉ壮一ｇａ赡，ｅｔ ａ１．Ｍｅｔｌｌｏｄ ０ｆ跚ｌａｌｏｇｏ啦ｃｊＩ．ｃｕｎ ｆａｌｌｌｔ ｄｉａ驴ｏｓｉｓ咖ｒａｌ ｎｅ仰ｏｒｌ【ｂａｓｅｄ蛐Ⅶ ｎ硼Ｉｓｆｅ璐Ｍａｔｌａｂ．Ｃ岫ｐｕ由盯Ｅｎｇｉｎ∞ｎｎｇ粕ｄ ＡｐｐⅡｃ枷。璐，２０１０．４６（１０）：２１３＿２１５．
作者简介：谢涛（１９７７一），男，博士研究生，主要研究方向：模拟电路故障诊断、神经网络理论及其应用与实现、射频识别（Ｒ兀Ｄ）技术；何怡刚 （１９６“），男，博士，教授，博士生导师，主要研究方向：自动测试与诊断、高速低压低功耗集成电路与系统筹；姚建刚（１９５２一），男，教授， 博士生导师，主要研究方向：电力市场及其技术支持系统、电力系统自动化和高压外绝缘等；肖迎群（１９７６－），男。博士研究生，主要研究 方向：射频识别技术。
电路如果发生故障的活，其输出的幅频响应—般会有比较大的 变化，利用这一特性，对待测电路用仿真软件（Ｐｓｐｉｃｅ）模拟各 种故障，把各种故障状态下的幅频特性记录下来做为故障特征
向量输入给神经网络，为了加快神经嘲络的收敛，可以在故障 特征向量输入给神经网络之前进行归一化、小波变换等预处
理，同时ＢＰ网络采用改进的算法一附加动量因子法。带有附加
动量法的ＢＰ网络的权值和阈值更新规则为：
．幽”（矗）＝ｙ△矿（七一１）一（１．ｙｋ“（ａ”１）１
（１）
Ａ６“（ｊ｝）＝７△６“（后一１）一（１—ｙ）ａｓ“
（２）
其中７为动量因子，矿为ＢＰ网络第ｍ层的敏感性御。
４仿真诊断实例 诊断电路选自Ⅱ℃’９７国际标准电路中的ｃ玛Ｖ滤波器闱
（ｃｏｎｔｉｎｕｏｕ纠ｉｍｅ ｓｔａｔｅ—ｖａｒｉａｂｋ ６ｌｔｅｒ汝１；Ｒ２＝尺３；Ｒ铝Ｒ５＝１０ ｋＱ。 Ｒ６＝３ ｋＱ，耵＝７ ｋＱ，Ｃ１＝ｃ２＝２０ ｎＦ，输入交流电压ｙ庐６ Ｖ。
Ｋｅｙ ｗｏｒ凼：Ｖｉｓｕａｌ Ｂ鹊ｉｃ（ＶＢ）；Ｍａｔｌａｌｂ；趾ａｌｏｇ ｃｉｒｃｕ“；ｆａｌｌｌｔ ｄｉａ印ｏｓｉ８；鹏ｕｒａｌ ｎｅ咖ｒＩ【
摘要：比较了ＶＢ和Ｍａｄａｂ各自的优缺点，详细阐述了ＶＢ调用Ｍａｔｌａｂ的方法以及神经网络诊断模拟电路的原理。分别采用 Ｍａｄａｂ的神经网络工具箱和ＶＢ调用Ｍａｔｌａｂ的Ａｃｔｉｖｅｘ自动化技术，对模拟电路进行了仿真诊断。针对ＶＢ调用ＭａｔｌａｂＩ的方法给 出了诊断程序，诊断实例表明该方法是可行的，为模拟电路故障诊断软件开发提供了一定的指导作用。 关键词：ＶＢ语言；Ｍａｔｌａｂ工具箱；模拟电路；故障诊断；神经网络